基于稀疏表示的高维数据无监督挖掘研究

致谢	第1-6页
摘要	第6-7页
Abstract	第7-12页
插图清单	第12-14页
附表清单	第14-15页
1 引言	第15-21页
·选题及研究背景	第15-16页
·研究问题范围	第16-17页
·研究思路及框架	第17-21页
2 文献综述	第21-39页
·数据挖掘和知识发现	第21-22页
·高维数据挖掘	第22-33页
·高维数据挖掘典型应用	第23-24页
·高维数据无监督降维方法	第24-31页
·高维数据无监督聚类方法	第31-33页
·基于稀疏表示的高维数据建模	第33-39页
·高维数据稀疏表示理论	第33-35页
·高维数据稀疏表示应用	第35-39页
3 基于局部约束稀疏表示的高维缺失数据无监督填补	第39-67页
·相关工作	第39-44页
·缺失数据问题及产生	第39-40页
·主要缺失数据填补方法	第40-44页
·已有主要方法的局限	第44页
·基于局部约束稀疏表示的高维数据对象选择	第44-50页
·稀疏表示及局部线性编码	第45-46页
·局部约束稀疏表示及优化	第46-49页
·局部约束稀疏表示时间复杂度	第49页
·局部约束稀疏表示特点	第49-50页
·高维缺失数据无监督填补方法	第50-56页
·缺失数据对象的局部约束稀疏表示	第51页
·稀疏表示字典设计方法	第51-52页
·缺失属性值填补完整过程	第52-55页
·算法特点比较分析	第55-56页
·实验分析	第56-66页
·实验准备及设计	第56-58页
·字典大小变化对填补结果的影响	第58-61页
·字典大小变化对计算时间的影响	第61-63页
·缺失比率变化对填补结果的影响	第63-64页
·正则化参数敏感性分析	第64-66页
·本章小结	第66-67页
4 基于近邻加权稀疏表示的高维数据无监督图学习	第67-97页
·相关无监督图模型	第67-74页
·基于两两距离的图模型	第68-69页
·基于线性重构系数的图模型	第69-73页
·已有主要方法分析	第73-74页
·近邻加权稀疏表示及高维数据图构造方法	第74-80页
·近邻加权稀疏表示目标函数	第74-76页
·近邻加权稀疏表示求解方法	第76-77页
·基于近邻加权稀疏表示的图构造	第77-78页
·近邻加权稀疏表示图构造特点	第78-80页
·基于NESR-Graph的高维数据图学习方法	第80-83页
·基于NESR-Graph的谱聚类	第80-81页
·基于NESR-Graph的子空间学习	第81-82页
·基于NESR-Graph的标签繁殖	第82-83页
·实验分析	第83-95页
·实验步骤及设计	第83-85页
·图构造的可视化结果	第85-86页
·各种图学习方法效果	第86-93页
·近邻大小对计算时间和效果的影响	第93-95页
·本章小结	第95-97页
5 基于多重超图约束的高维数据无监督字典学习	第97-143页
·相关工作	第97-103页
·监督及半监督字典学习	第98-100页
·无监督字典学习方法	第100-102页
·无监督字典学习方法分析	第102-103页
·多重超图约束稀疏编码	第103-118页
·多重超图拉普拉斯约束	第103-108页
·多重超图矩阵一致约束	第108-111页
·交替优化求解方法	第111-118页
·实验分析	第118-141页
·问题定义和超图构造	第118-120页
·实验准备及设计	第120-126页
·静态图像聚类结果	第126-136页
·在线图像聚类结果	第136-141页
·本章小结	第141-143页
6 结论	第143-147页
参考文献	第147-159页
作者简历及在学研究成果	第159-162页
学位论文数据集	第162页